دانلود ترجمه مقاله پیشرفت ها در بکارگیری یادگیری ماشین در ارزیابی چرخه عمر

1. مقدمه 2. روش تحقیق 3. روش های یادگیری ماشین در ارزیابی چرخه عمر 4. یادگیری ماشین و بهینه سازی در ارزیابی چرخه عمر 5. نتایج و بحث و بررسی 6. نتیجه گیری

چکیده – هدف: ارزیابی چرخه عمر (LCA) فرآیند ارزیابی سیستماتیک اثرات زمانی است که بین محیط و فعالیت انسانی تعامل وجود دارد. یادگیری ماشین (ML) با روش‌های LCA می‌تواند کمک زیادی به کاهش اثرات کند. تعداد زیاد پارامترهای ورودی و عدم قطعیت‌های آن‌ها که به چرخه عمر کامل کمک می‌کنند، کاربرد گسترده‌تر ML را پیچیده و دشوار می‌کند. بنابراین باید یک رویکرد مهندسی سیستم برای اعمال ML به صورت جداگانه به جنبه‌های LCA اتخاذ شود. این مطالعه به چالش بهره‌برداری از روش‌های ML برای ارائه راه‌حل‌های LCA می‌پردازد. فرضیه کلی این است که: LCA مبتنی بر روش‌های ML و آگاه از داده‌های پویا، راه را برای LCA دقیق‌تر هموار می‌کند و در عین حال از تصمیم‌گیری چرخه عمر پشتیبانی می‌کند. روش‌ها: در این مطالعه، تحقیقات قبلی در مورد ML برای LCA در نظر گرفته شد و یک مرور ادبیات انجام شد. نتایج: نتایج نشان داد که ML می‌تواند یک ابزار مفید در برخی از جنبه‌های LCA باشد. نشان داده شد که روش‌های ML به طور کارآمد در سناریوهای بهینه‌سازی در LCA اعمال می‌شوند. در نهایت، روش‌های ML به عنوان بخشی از پایگاه‌های داده موجود موجودی ادغام شدند تا LCA را در بسیاری از موارد استفاده ساده‌سازی کنند. نتیجه‌گیری‌ها: نتیجه‌گیری‌های این مقاله ویژگی‌های مقالات موجود را خلاصه کرده و پیشنهاداتی برای کار آینده در محدودیت‌ها و شکاف‌هایی که در ادبیات یافت شده است، ارائه می‌دهد. مقدمه: ارزیابی چرخه عمر (LCA) یک سری رویه تعریف شده برای جمع‌آوری و ارزیابی ورودی‌ها و خروجی‌های مواد یا انرژی و همچنین اثرات بعدی آن بر محیط زیست ناشی از اجرای یک سیستم یا محصول در طول چرخه عمر آن موجودیت است (انتشار ISO14040.2). LCA چارچوبی برای تعریف دامنه و هدف ارزیابی، تجزیه و تحلیل موجودی (LCI، موجودی چرخه عمر)، ارزیابی تأثیر (LCIA، ارزیابی تأثیر چرخه عمر) و در نهایت، تفسیر این رویه‌ها را فراهم می‌کند (گینی 2002).

Purpose: Life Cycle Assessment (LCA) is the process of systematically assessing impacts when there is an interaction between the environment and human activity. Machine learning (ML) with LCA methods can help contribute greatly to reducing impacts. The sheer number of input parameters and their uncertainties that contribute to the full life cycle make a broader application of ML complex and difficult to achieve. Hence a systems engineering approach should be taken to apply ML in isolation to aspects of the LCA. This study addresses the challenge of leveraging ML methods to deliver LCA solutions. The overarching hypothesis is that: LCA underpinned by ML methods and informed by dynamic data paves the way to more accurate LCA while supporting life cycle decision making. Methods: In this study, previous research on ML for LCA were considered, and a literature review was undertaken. Results: The results showed that ML can be a useful tool in certain aspects of the LCA. ML methods were shown to be applied efficiently in optimization scenarios in LCA. Finally, ML methods were integrated as part of existing inventory databases to streamline the LCA across many use cases. Conclusions: The conclusions of this article summarise the characteristics of existing literature and provide suggestions for future work in limitations and gaps which were found in the literature. Introduction: Life Cycle Assessment (LCA) is a series of procedures set for the collection and assessment of the inputs and outputs of materials or energy, as well as the subsequent impacts on the environment incurred due to the running of a system or product throughout that entity’s life cycle (ISO 14040.2 Draft). The LCA provides a framework for the definition of the scope, and the goal of the assessment, analysis of the inventory (LCI, life cycle inventory), assessment of the impact (LCIA, life cycle impact assessment), and finally, the interpretation from these procedures (Guinee 2002).

ترجمه این مقاله در 53 صفحه آماده شده و در ادامه نیز صفحه 31 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.